제출 팁
이론 중심이면 ICML, 표현학습/딥러닝 코어면 ICLR, 응용 폭 넓은
주제거나 새 벤치마크/멀티모달이면 NeurIPS가 비교적 어울립니다.단, 세 학회 모두 폭넓은 주제를 수용하므로 “핵심 기여의 무게중심”으로 최종 결정하세요.
🎓 왜 Tier 1일까요?
인용·파급력: 핵심 알고리즘/이론·대형 벤치마크·표준 평가 프로토콜이 이곳에서 탄생/정립되는 경우가 많습니다. 이후 타 학회·저널·산업에 대량 인용/채택.
낮은 수락률 & 촘촘한 리뷰: 매해 다르지만 대체로 낮은 수락률과(대략 두 자리수 초중반) 전문성 높은 메타리뷰·에리어체어 구조로 엄격한 품질 관리.
생태계의 허브: 수천 편의 논문 + 수십 개 트랙(메인/워크숍/챌린지/튜토리얼/데모)이 동시 운영. 연구자–산업의 교차점이자 채용·협업의 장.
규범 설정자: 재현성 체크리스트, 윤리/사회적 영향 서술, 코드/데이터 공개 문화 확산을 주도.
스코프 차이: 이론/응용/Representation Learning
주제/성향 | NeurIPS | ICML | ICLR |
|---|---|---|---|
Representation Learning/딥러닝 코어 | 매우 강함 | 강함 | 핵심 강점 |
학습 이론/일반화/최적화 | 강함 | 매우 강함 | 중간–강함 |
응용(멀티모달/강화학습/그래프/사회과학 등) | 범위 가장 넓음 | 넓음 | 중간–넓음 |
뉴로사이언스/인지과학 접점 | 상대적으로 활발 | 일부 | 일부 |
데이터셋·벤치마크·경진대회 | 활발(전용 트랙/챌린지) | 활발 | 활발 |
ICLR: 표현학습·아키텍처·학습기제·해석/로버스트니스 같은 딥러닝 중심 논의에 특히 최적.
ICML: 이론·알고리즘적 기여의 선명도(정리·증명·경계 조건)와 탄탄한 실험 설계가 강점.
NeurIPS: 스펙트럼이 가장 넓음—멀티모달·RL·최적화·응용/사회과학·뉴로사이언스 교차까지.
💡
워크숍 · 데모 활용법
워크숍(Workshop)
아이디어 인큐베이터: 초기 아이디어/새 태스크/작은 데이터/실무 케이스를 빠르게 피드백 받기 좋음.
정책: 다수 워크숍은 비아카이브(논문 아카이브)·확장 제출·중복 금지 규정이 상이하므로 공지 필수 확인.
전략: 메인 제출 전 워크숍에서 에러 분석·문제정의를 더 날카롭게 다듬고 커뮤니티 피드백을 흡수.
데모/엑스포/챌린지
데모/엑스포: 실제 사용자 흐름, 지연/자원 사용량, 실패 케이스를 정직하게 공개하면 신뢰 상승.
챌린지/리더보드: 규칙·데이터 누출 방지·평가 지표 정의가 핵심. 베이스라인·코드 공개는 채택 가능성을 높임
💡
필수 산출물 체크리스트
재현성 체크리스트(데이터·코드·시드·자원)
윤리/사회적 영향·한계·오남용 시나리오
데이터/모델 카드, 라이선스
README + 1-클릭 재현 스크립트(run.sh)
메인 테이블/어블레이션/실패 사례 도판 세트
Share article